Medicali Image Proccessing Part 2

1. TIỀN XỮ LÝ ẢNH
- Làm việc với dữ liệu này có thể là 1 thách thức , đặc biệt là do tính chất không đồng nhất của
dữ liệu ghi nhận được ở mỗi lần chụp. Vì vậy bước tiền xữ lý được thực hiện rất quan trọng
trước khi chúng sẳn sàng vào bước thiết kế mô hình học CNNs(deep convolutional neural
networks).
1. Loading the DICOM files
2. Converting the pixel values to Hounsfield Units (HU)
3. Resampling
4. 3D plotting
5. Lung segmentation
6. Normalization
7. Zero centering
I. Loading the DICOM files: điền khuyết dữ liệu trong ảnh y tế
- DICOM là 1 dạng file chuẩn trong hình ảnh y tế. File này chứa rất nhiều thông tin về
metadata( kích thước, khoảng cách của 1 pixel trong thế giới)
- Khoảng cách giữa các lát cắt có thể khác nhau, điều này có thể ảnh hưởng đến hiệu quả của
CNNs. Chúng ta có thể giải quyết vấn đề này bằng phương pháp resampling, được đề cập
sau.
- Với mỗi danh sách dataset tương ứng với 1 bệnh nhân được lưu thành 1 mảng. Đối với
trường metadata bị thiếu, kích thước của pixel hướng Z thì được gọi là thickness. Chúng ta có
thể thêm vào metadata bằng cách
try:
slice_thickness = np.abs(slices[0].ImagePositionPatient[2] - slices[1].ImagePositionPatient[2])
except:
slice_thickness = np.abs(slices[0].SliceLocation - slices[1].SliceLocation)
for s in slices:
s.SliceThickness = slice_thickness
II. Chuyển đổi đơn vị từ giá trị pixel sang HU
- Đơn vị của ảnh CT là Hounsfield Unit (HU) là đơn vị trong y khoa nó mô tả về đậm độ tia
(radiodensity). Quá trình quét CT được cân chỉnh cẩn thận để đo được chính xác theo bảng
sau:

2. - Mặc định giá trị trả về không phải thuộc đơn vị này vì vậy ta tiến hành chuyển đổi như sau
- Các máy quét có dạng hình trụ nhưng đầu ra hình ảnh là hình vuông. Vì vậy các pixels nằm
bên ngoài sẽ có giá trị -2000. Bước đầu tiên là thiết lập các giá trị này sang 0, tương ứng với
không khí. Kế đến sẽ tính toán giá trị HU,bằng cách nhân rescale slope và rescale intercept
(2 tag có trong ảnh dicom) (0028,1053) và (0028,1052)

3. - Chúng ta nhìn thấy histogram này chúng ta thấy được hình ảnh nào là không khí và mô chúng
được sử dụng để phân đoạn phổi (segmentation) về sau.
III. Resampling hiệu chỉnh độ phân giải
- Đặt vấn đề :
- Mỗi ảnh có thể có thông tin về khoảng cách giữa các pixel như sau [2.5, 0.5 ,0.5], có nghĩa là
khoảng cách giữa các slices là 2.5milimeters. Lần quét khác có thể [1.5 0.725 0.725], đây là

4. vấn đề có thể làm cho việc phân tích tự động (CNNs) làm cho việc nhận dạng không chính
xác.
Phương pháp giải quyết: 1 trong những phương pháp phổ biến để giải quyết vấn đề này là
tiến hành lấy mẫu lại toàn bộ dữ liệu đến 1 độ phân giải đẳng hướng nhất định( tính chất đẳng
hướng là tính không thay đổi theo hướng tức là hướng từ trái sang phải hay từ trên xuống
dưới, trước, sau cũng đều như nhau)
- Nếu chúng ta resample mọi thứ sang 1mm1mm1mmm pixels chúng ta có thể sử dụng 3D
CNNs mà không cần lo lắng về việc học bất biến với zoom/độ dày lát cắt (thickness).
- Bước này có vẻ như là 1 bước rất đơn giản, nó được thực hiện nhanh bằng cách làm tròn trên
cạnh.
resample (image,scan,new_spacing =[1,1,1])
{
//determine current pixel spacing
spacing = scan[0].SliceThickness] + scan[0].PixelSpacing;
resize_factor = spacing / new_spacing
new_real_shape = image.shape * resize_factor
new_shape = np.round(new_real_shape)
real_resize_factor = new_shape / image.shape
new_spacing = spacing / real_resize_factor
image = zoom (image,real_resize_factor,"nearest")
return image, new_spacing
}
Lưu ý khi apply phương thức này, lưu trữ sang new_spacing với giá trị được làm tròn.
Sau khi lấy mẫu lại các điểm ảnh của bệnh nhân với độ phân giải đẳng hình 1x1x1mm.
pix_resampled, spacing = resample(first_patient_pixels, first_patient, [1,1,1])
print("Shape before resamplingt", first_patient_pixels.shape)
print("Shape after resamplingt", pix_resampled.shape)
Shape before resampling (134, 512, 512)
Shape after resampling (335, 306, 306)
IV. 3D plotting the scan (waiting..)
V. Lung segmentation
- Đặt vấn đề:nhằm giảm số lượng điểm ảnh cần truy vấn, giảm không gian lỗi, chúng ta phải
thực hiện phương pháp phân đoạn(segmentation) phổi. 1 trong những phương pháp mà tôi đề
xuất và khá hiệu quả, 1 bước khá thông minh. Nó áp dụng trên 1 series của khu vực và
phương pháp hình thái học (morphological). Tôi sẽ sử dụng bộ phân tích thành phần kết nối.
- Phương pháp tiếp cận:
o Phương pháp sử dụng ngưỡng (threshold) lên ảnh( -320HU đã được tôi thực nghiệm
và cho kết quả rất tốt, nhưng nó không quan trọng cho cách tiếp cận này)
o Phương pháp kết nối thành phần, xác định nhãn của không khí với độ HU từ bảng ở
phần II xung quanh phổi người , đây là sự lựa chọn số 1 trong ảnh nhị phân.

5. o Tùy chọn: đối với mỗi hướng slice trong mỗi lần quét, xác định thành phần kết nối có
tính chất khối lới nhất(cơ thể+ không khí xung quanh người), và set những thành
phần khác sang giá trị 0. Việc này được thực hiện lấp đầy cấu trúc bên trong lá phổi
bằng mặc nạ.
o Chỉ giữ lại các túi khí lớn nhất (bên trong cơ thể người tồn tại các túi khí bên trong lá
phổi)
- Problem: khi chúng ta sử dụng mặc nạ, lưu ý rằng chúng ta phải áp dụng phương pháp toán tử
hình thái học lên ảnh ( với nhân tử hình tròn). Điều này sẽ mở rộng mặt nạ theo mọi hướng.
Phần không khí và cấu trúc bên trong lá phổi không chứa tất cả các nodules, đặc biệt nó sẽ bị
mất mát thông tin quan trọng bên trong phổi với những thứ bị mắc kẹt bên trong lá phổi, nơi
mà chúng thường xuyên xuất hiện. Vì vậy phải mở rộng mặt nạ.
- Phương pháp Phân đoạn này sẽ bị fail với 1 số trường hợp: đó là không khí bên ngoài bệnh
nhân không được kết nối với không khí bên trong lá phổi. Nếu bệnh nhân được cắt bỏ khí
quản, phương pháp này không còn hiệu quả nữa, tôi không biết rằng trường hợp này liệu có
trong tập CSDL hay không. Ngoài ra 1 vài trường hợp hình ảnh nhiễu (ví dụ như máy điều
hòa nhịp tim trong hình ảnh dưới đây) phương pháp này cũng có thể không thành công. Thay
vào đó, túi không khí thứ 2 trong cơ thể sẽ được phân đoạn. Chúng ta có thể kiểm tra các
thành phần của hình ảnh bằng mặc nạ tương ứng với nó, có rất nhỏ trường hợp này.
- Cách khắc phục: ứng dụng 1 toán tử hình thái học đóng lên ảnh với hạt nhân có kích thước
vài nn để tiến hành đóng các lỗ này, sau đó làm việc bình thường (hoặc đơn giản hơn là
không sử dụng mặt nạ cho hình ảnh này)
VI. Chuẩn hóa(waiting...)
VII. Zero centering
VIII. What's next ->DEEP LEARNING(DEEP CONVOLUTIONNEURAL NETWORK)